在 CSST 巡天中利用神经网络从星系流量与图像数据提取测光红移

星系测光红移（photo-$z$）的精度会显著影响弱引力透镜测量的分析，尤其是对于未来的高精度巡天。在本工作中，我们尝试利用神经网络从预期由中国空间站望远镜（CSST）获取的星系流量和图像数据中提取 photo-$z$ 信息。我们基于哈勃空间望远镜先进巡天相机（HST-ACS）的观测图像和 COSMOS 星表生成模拟星系图像，并考虑 CSST 的仪器效应。然后通过孔径测光从这些图像中直接测量星系流量数据。构建多层感知机（MLP）和卷积神经网络（CNN）分别用于从流量和图像预测 photo-$z$。我们还提出使用一种高效的混合网络，结合 MLP 和 CNN，通过迁移学习技术来研究同时包含流量和图像数据时结果的改进。我们发现，仅使用流量数据的 MLP 的 photo-$z$ 精度和离群分数可达到 $\sigma_{\rm NMAD} = 0.023$ 和 $\eta = 1.43\%$，仅使用图像数据的 CNN 可达到 $\sigma_{\rm NMAD} = 0.025$ 和 $\eta = 1.21\%$。对于混合迁移网络，结果可高效进一步提升至 $\sigma_{\rm NMAD} = 0.020$ 和 $\eta = 0.90\%$。这些方法得到的星系中值和均值红移分别约为 0.8 和 0.9（红移范围 0 到 4）。这表明我们的网络能够有效且适当地从 CSST 星系流量和图像数据中提取 photo-$z$ 信息。